面向近实时遥测感知的神经路由算法
机器学习
2026-04-14 v2 网络与互联网体系结构
摘要
路由算法对于高效的计算机网络运作至关重要，在许多情况下它们必须能够在毫秒级内响应流量突发。实时遥测数据可以提供具有信息量的信号，供路由算法利用，近期的工作已训练神经网络以利用此类信号进行流量感知路由。然而，聚合网络范围信息存在通信延迟，现有的神经方法要么假设延迟为零的全局状态，要么限制路由器仅使用局部遥测。这留下了它们在现实环境中实际部署的可行性尚不明确。我们将遥测感知路由建模为延迟感知的闭环控制问题，引入一个框架来训练和评估神经路由算法，同时显式建模通信和推理延迟。在此框架之上，我们提出LOGGIA，一种可扩展的图神经路由算法，从属性化的拓扑与遥测图中预测对数空间链路权重。它利用数据驱动的预训练阶段，然后进行基于策略的强化学习。在合成和真实网络拓扑以及未见的混合TCP/UDP流量序列上，LOGGIA始终优于最短路径基准，而神经基准在施加现实延迟后会失败。我们的实验进一步表明，像LOGGIA这样的神经路由算法在完全本地部署时表现最佳，即在每个路由器处观察网络状态并推断动作，而不是集中决策。
引用
@article{arxiv.2604.02927,
title = {Towards Near-Real-Time Telemetry-Aware Routing with Neural Routing Algorithms},
author = {Andreas Boltres and Niklas Freymuth and Benjamin Schichtholz and Michael König and Gerhard Neumann},
journal= {arXiv preprint arXiv:2604.02927},
year = {2026}
}